Università degli Studi di Trieste
Facoltà di Ingegneria
Corso di Laurea Triennale in Ingegneria Elettronica
Tesi di laurea
Tecniche di segmentazione
delle patologie morfologiche
dell’encefalo
Laureando : Luca Zanella
Relatore : Chiar.mo Prof. Paolo Inchingolo
Correlatori : Dott. Ing. Federica Vatta
Dott. Ing. Stefano Mininel
Anno accademico 2003-2004
Segmentazione di
immagini


Suddivisione di un’ immagine in zone disgiunte in
base ad un criterio di uniformità
Fortemente legata all’ individuazione dei contorni
Obbiettivi tipici della
segmentazione




Esaltazione di una particolare regione rispetto ad altre
strutture non di interesse presenti nell’immagine
Separazione immagine in oggetto e sfondo
Suddivisione immagine complessa in più sottoimmagini più
semplici
Individuazione dei contorni
Applicazioni generali
La segmentazione risulta essere utile in diversi ambiti
e discipline:
 Indagine astronomica (rilevamento di corpi celesti)
 Analisi della viabilità stradale
 Telerilevamento (analisi del territorio e della sua
utilizzazione)
 Riconoscimento di oggetti e di persone
 Controllo di colture biologiche e batteriologiche
Applicazioni biomediche
La segmentazione è particolarmente utile in campo
biomedico per:
 Analisi di laboratorio per il conteggio di globuli rossi
e piastrine ed altre masse cellulari
 Estrazione di strutture anatomiche da bioimmagini
 Estrazione di lesioni e patologie morfologiche da
bioimmagini
Problema affrontato


Segmentazione (binaria) per l’estrazione di lesioni
dell’encefalo da immagini di risonanza magnetica
Evidenziazione della sola lesione
Problematiche



Intensità dei pixel non costante all’interno della regione
Intensità dei pixel uguale per diverse strutture vicine
Contorni poco evidenti e di forma complessa
Importanza ed
applicazioni
Estrazione di dati significativi sulle caratteristiche della
lesione stessa:
 Dimensione
 Forma
 Localizzazione
I dati così ottenuti possono essere sfruttati per:
 Tecniche di studio non invasive ( ad esempio
evoluzione nel tempo della lesione )
 Chirurgia guidata ( supporto visivo )
Motivazioni
Segmentazione manuale possibile ma:
 Troppo dispendiosa
 Risultato troppo dipendente dall’utente
Bassa efficienza
Scarsa ripetibilità
ed accuratezza
Sviluppo e valutazione di algoritmi e di tecniche di
segmentazione semi automatiche
Obbiettivo proposto



Valutazione dell’applicabilità e delle prestazioni di
algoritmi semiautomatici di segmentazione, per
l’estrazione di lesioni dell’encefalo su immagini
campione
Determinazione dell’ accuratezza delle tecniche
Algoritmi scelti tra quelli presenti in letteratura in
base ad uno studio sul loro funzionamento e sulle
loro caratteristiche teoriche riguardo vari aspetti
(accuratezza, semplicità di utilizzo e di
implementazione, possibilità di sviluppi futuri)
Contributo personale

Implementazione software di quattro algoritmi di
segmentazione:
–
–
–
–



Thresholding
Region Growing
Watershed
Fast Marching Method
Implementazione di un algoritmo di valutazione
dell’accuratezza delle segmentazioni
Valutazione dell’applicabilità e delle prestazioni degli
algoritmi
Confronto con segmentazione manuale
Implementazione


Programmazione in C++
Tool ITK (Insight Toolkit) della Kitware:
– Insieme di librerie di classi per la rappresentazione e
l’elaborazione di immagini
– Numerosi filtri di elaborazione implementati
– Orientamento verso sviluppo di tecniche di segmentazione
e di registrazione
– Open source e multi-platform


Utilizzo dell’ambiente di sviluppo Unix sotto
piattaforma Windows con emulatore Cygwin
Creazione di applicazioni stand-alone
Struttura dei programmi


Ogni programma di segmentazione è costituito da una cascata
di blocchi di elaborazione
Ogni algoritmo richiede un certo numero di elaborazioni
effettuate in cascata ( schematizzate dal blocco filter)
Struttura blocco di
elaborazione

Fase di pre processing e fase di segmentazione
Blocco di pre processing
Blocco di segmentazione
Problematiche



Ogni filtro richiede la definizione di vari parametri
Settaggio dei parametri richiesti dai vari blocchi di
elaborazione lungo e difficoltoso
Risultato fortemente dipendente dal valore dei
parametri
Sviluppo di una procedura di ricerca dei parametri
ottimali semiautomatica, che sfrutta le
segmentazioni manuali
Caratteristiche immagini

Tre serie di immagini di risonanza magnetica
Prospettiva assiale
T1 weighted
grayscale 8 bit,
256x256 pixel
Prospettiva assiale
T1 weighted con
mezzo di contrasto
grayscale 8 bit,
256x256 pixel
Caratteristiche delle lesioni trattate:
 Meningiomi e glomi maligni
 Contorni lisci
 Evidenziabili con mezzo di contrasto
 Presenza di edema perilesionale
Prospettiva sagittale
T1 weighted
grayscale 8 bit,
256x256 pixel
Modalità dei test



Test effettuati sulle tre serie di immagini di
Risonanza Magnetica
Segmentazioni manuali prese come riferimento
Analisi dei valori degli indici di comparazione per
ogni immagine e per ogni algoritmo
Indici di comparazione
Indici di comparazione per la valutazione della precisione di una
segmentazione:
 Falsi positivi
(FP)
Indice di Tanimoto (TI):
 Falsi negativi
(FN)
 Veri positivi
(TP)
Esempio di risultati (1)
Immagine di partenza
Thresholding
Segmentazione manuale
Fast marching method
Region growing
Watershed
Esempio di risultati (2)
Immagine di partenza
Thresholding
Segmentazione manuale
Fast marching method
Region growing
Watershed
Risultati ottenuti
Indice di Tanimoto medio su tutte le serie per i diversi algoritmi
Watershed
Thresholding
Region Growing
Fast Marching Method
0,74
0,76
0,78
0,80
0,82
TI
0,84
0,86
0,88
0,90
Risultati ottenuti
Valore medio di TI sulle tre serie per i singoli algoritmi
1,00
0,90
0,80
TI medio
0,70
0,60
Fast Marching Method
Region Growing
Thresholding
0,50
0,40
Watershed
0,30
0,20
0,10
0,00
Serie 1
Serie2
serie immagini
Serie 3
Risultati ottenuti
Percentuale FP calcolata sulle singole serie
25%
20%
15%
Fast Marching Method
Region Growing
Thresholding
Watershed
10%
5%
0%
Serie1
Serie2
serie immagini
Serie3
Risultati ottenuti
Percentuale FN calcolata sulle singole serie
30%
25%
20%
Fast Marching Method
Region Growing
15%
Thresholding
Watershed
10%
5%
0%
Serie1
Serie2
serie immagini
Serie3
Considerazioni sui
risultati




L’applicabilità delle tecniche di segmentazione per
immagini di MR per l’estrazione di lesioni è stata
testata con successo
Algoritmi di region growing e di thresholding
funzionano bene in considerazione all’applicazione
proposta
Algoritmi di watershed danno in media una
segmentazione sovrabbondante
Algoritmi di fast marching method producono in media
una segmentazione insufficiente
Conclusioni




Prestazioni complessive migliori per gli algoritmi di
thresholding e di region growing
Buone prestazione degli algoritmi di watershed che
si sono rivelati promettenti
Scarse prestazioni della tecnica fast marching
method, che non fornisce ancora risultati buoni in
questo contesto
Sviluppi futuri: testare gli algoritmi implementati su
altri set di immagini presentanti lesioni con
caratteristiche diverse
Scarica

Tecniche di segmentazione per le patologie morfologiche dell